ANALISIS PERBANDINGAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) DAN INDOBERT DALAM SENTIMEN BERITA POLITIK INDONESIA

Arus berita politik yang cepat dan mudah diakses memerlukan metode otomatis
untuk memahami opini publik secara akurat. Penelitian ini bertujuan
membandingkan kinerja Convolutional Neural Network (CNN) dan IndoBERT
dalam mengklasifikasikan sentimen berita politik Indonesia menjadi positif, netral,
dan negatif.
Metode penelitian mengikuti kerangka CRISP-DM yang meliputi tahap
business understanding, data understanding, data preparation, modeling,
evaluation, dan deployment. Data dikumpulkan melalui web scraping dari Detik,
IDN Times, dan Tribunnews, dengan total 16.691 artikel. Tahap data preparation
mencakup pembersihan teks, tokenisasi, penghapusan stopword, serta pelabelan
berbasis leksikon. CNN dibangun dengan embedding layer dan Conv1D, sedangkan
IndoBERT memanfaatkan arsitektur transformer pre-trained. Evaluasi dilakukan
menggunakan akurasi, presisi, recall, dan f1-score.
Hasil pengujian menunjukkan IndoBERT unggul dengan akurasi 92,93% dan
performa lebih baik pada kelas netral, sedangkan CNN memperoleh akurasi 89,13%
namun kurang optimal pada kelas netral. Model diimplementasikan ke dalam
prototipe aplikasi web berbasis Streamlit dengan fitur scraping berita,
preprocessing, prediksi, dan visualisasi.